SPOJ 375 Query on a tree(线段树维护树链剖分)

题目链接:http://www.spoj.com/problems/QTREE/

题意:给出一个树,两种操作:(1)修改某条边的权值;(2)询问某两个顶点之间边的最大值。

思路:树的路径剖分和线段树维护路径剖分。

(1)轻边和重边:记Size(U)表示以U为根的子树的结点个数。令V为U的儿子中Size(V)最大的一个,那么我们称边(U,V)为重边,其余边为轻边。

如上图,粗边为重边,细边为轻边。

(2)树链:将所有的重边连起来得到若干条链,这些链叫做树链。上图中红点标记的点为每条树链的头。单独一个节点自己组成一个树链。

(3)下面我们讲如何得到树链。步骤是进行两次DFS,第一次DFS,得到如下数组:dep[u]u的深度,son[u]<u,son[u]>为重边,father[u]u的父节点。第二次DFS建立树链,得到如下数组:w[u]:<father[u],u>这条边在线段树中的位置为w[u]。如上图所示,一条树链中的边在线段树中是连续的一段,top[u]u在树链中的头,上图中top[1]=top[4]=top[9]=top[13]=top[14]=1,top[2]=top[6]=top[11]=2。

(4)单点操作:比如题目中的第一种操作。这种操作比较简单,直接在线段树中找到这个点直接更新即可。

(5)成段操作:比如成段更新或查询等。我们拿10和11作为例子说明。首先,我们得到u=10和v=11的top值,分别是f1=10和f2=2,发现f1的dep值大,则更新图中的边5;接着u=4,f1=1,此时f2的深度的,则更新图中的边9、10和11,接着v=1,f1=1,退出。

有了这些,本题就比较容易了。

 




vector<int> g[N];
int dep[N],w[N],father[N],top[N],son[N],size[N];
int E[N][3],root,n,z;
int tree[N<<2];


void DFS1(int u)
{
    size[u]=1; son[u]=0;
    int i,v;
    FOR0(i,SZ(g[u]))
    {
        v=g[u][i];
        if(v==father[u]) continue;
        father[v]=u;
        dep[v]=dep[u]+1;
        DFS1(v);
        if(size[v]>size[son[u]]) son[u]=v;
        size[u]+=size[v];
    }
}


void DFS2(int u,int root)
{
    w[u]=++z; top[u]=root;
    if(son[u]) DFS2(son[u],root);
    int i,v;
    FOR0(i,SZ(g[u]))
    {
        v=g[u][i];
        if(v!=son[u]&&v!=father[u]) DFS2(v,v);
    }
}


void build(int t,int L,int R,int pos,int x)
{
    if(L==R)
    {
        tree[t]=x;
        return;
    }
    int mid=(L+R)>>1;
    if(pos<=mid) build(t*2,L,mid,pos,x);
    else build(t*2+1,mid+1,R,pos,x);
    tree[t]=max(tree[t*2],tree[t*2+1]);
}


int get(int t,int L,int R,int l,int r)
{
    if(L==l&&R==r) return tree[t];
    int mid=(L+R)>>1;
    if(r<=mid) return get(t*2,L,mid,l,r);
    if(l>mid) return get(t*2+1,mid+1,R,l,r);
    int x=get(t*2,L,mid,l,mid);
    int y=get(t*2+1,mid+1,R,mid+1,r);
    return max(x,y);
}


int query(int a,int b)
{
    int f1=top[a],f2=top[b],ans=0,temp;
    while(f1!=f2)
    {
        if(dep[f1]<dep[f2]) swap(f1,f2),swap(a,b);
        temp=get(1,1,z,w[f1],w[a]);
        if(temp>ans) ans=temp;
        a=father[f1];
        f1=top[a];
    }
    if(a==b) return ans;
    if(dep[a]>dep[b]) swap(a,b);
    temp=get(1,1,z,w[son[a]],w[b]);
    if(temp>ans) ans=temp;
    return ans;
}


int main()
{
    rush()
    {
        RD(n); root=(n+1)>>1; father[root]=0; z=0; dep[root]=0;
        int i;
        FOR1(i,n) g[i].clear();
        FOR1(i,n-1)
        {
            RD(E[i][0],E[i][1],E[i][2]);
            g[E[i][0]].pb(E[i][1]);
            g[E[i][1]].pb(E[i][0]);
        }
        DFS1(root); DFS2(root,root);
        FOR1(i,n-1)
        {
            if(dep[E[i][0]]>dep[E[i][1]]) swap(E[i][0],E[i][1]);
            build(1,1,z,w[E[i][1]],E[i][2]);
        }
        char op[10];
        int x,y;
        while(RD(op),op[0]!='D')
        {
            RD(x,y);
            if(op[0]=='Q') PR(query(x,y));
            else build(1,1,z,w[E[x][1]],y);
        }
    }
}

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值